Connect with us

विज्ञान

When you want to move, does your brain know before you’ve decided?

Published

on

When you want to move, does your brain know before you’ve decided?

यह एक लंबे, कड़ी मेहनत के दिन का अंत है और आपको लगता है कि ऐसा करना सोफे पर फ्लॉप है और टीवी देखें। आपकी आँखें स्क्रीन पर किसी चीज़ की ओर चली जाती हैं और इसे कुछ मिनटों के लिए देखते हैं, तो आप अपने आप को सोचते हैं: “मुझे आश्चर्य है कि कहीं और क्या है …”। इसलिए आप टीवी रिमोट के लिए पहुंचते हैं और चैनल को स्विच करते हैं।

इस सटीक क्षण में, आइए फ्रेम को फ्रीज करें और पूछें: यह सरल निर्णय कैसे सामने आया?

जो पहले हुआ था: आंदोलन के लिए आवश्यक अपनी बांह या मस्तिष्क गतिविधि को स्थानांतरित करने के इरादे की सचेत मान्यता?

लंबे समय तक, लोग इसे ‘चिकन या अंडे’ के सवाल के रूप में ले गए और केवल दार्शनिक उत्तरों पर पहुंचे, न कि वैज्ञानिक। दरअसल, कई वर्षों तक यह सवाल वास्तव में विज्ञान के दायरे से बाहर माना जाता था।

जानबूझकर श्रृंखला

1980 के दशक की शुरुआत में, अमेरिकी न्यूरोसाइंटिस्ट बेंजामिन लिबेट ने अपने अग्रणी कार्य को प्रकाशित किया, जिसमें पता चलता है कि वैज्ञानिक अब जानबूझकर श्रृंखला कहते हैं।

अपनी संपूर्णता में, जानबूझकर श्रृंखला एक इरादे (ऊपर उदाहरण में चैनल को बदलने की इच्छा), एक कार्रवाई (दूरस्थ के लिए पहुंचना), और एक प्रभाव (जैसे एक अलग चैनल से ध्वनियों/जगहें) को आकर्षित करती है। शामिल तकनीकी चुनौतियों के कारण, वैज्ञानिकों के लिए शुरुआत से अंत तक जानबूझकर श्रृंखला का अध्ययन करना संभव नहीं था – अब तक।

एक अध्ययन में हाल ही में प्रकाशित में पीएलओएस जीव विज्ञानअमेरिका में मिनेसोटा विश्वविद्यालय से जीन-पॉल नोएल और अमेरिका, यूके और स्विट्जरलैंड के सहयोगियों ने एक प्रयोग की सूचना दी जिसमें उन्होंने एक-एक करके जानबूझकर श्रृंखला के प्रत्येक तत्व को एक-एक करके लक्षित किया।

उन्होंने पाया कि M1 कॉर्टिकल क्षेत्र में सक्रियण के साथ संयोग को स्थानांतरित करने के इरादे की सचेत मान्यता, स्वैच्छिक अंग आंदोलनों को नियंत्रित करने वाले मस्तिष्क का हिस्सा है। एक आश्चर्य सचेत मान्यता के समय में एक अंतर था: आंदोलन की धारणा और इस इरादे के अनुरूप मस्तिष्क गतिविधि।

अपनी तरह का पहला अध्ययन

अध्ययन का प्रतिभागी अपने M1 क्षेत्र (उर्फ द प्राइमरी मोटर कॉर्टेक्स) में एक मस्तिष्क प्रत्यारोपण के साथ तैयार किया गया एक टेट्राप्लेजिक व्यक्ति था। प्रत्यारोपण से विद्युत आवेगों ने क्षेत्र को उत्तेजित किया। यह सेटअप, जिसे ब्रेन-मशीन इंटरफ़ेस कहा जाता है, जिसका उपयोग न्यूरोमस्कुलर इलेक्ट्रिकल स्टिमुलेटर (एनएमईएस) नामक उपकरण के साथ किया जाता है, जिसने हाथ की गतिविधियों का कारण बनने के लिए प्रकोष्ठ की मांसपेशियों को सक्रिय किया, शोधकर्ताओं के लिए अध्ययन में जानबूझकर श्रृंखला के व्यक्तिगत घटकों को सक्रिय या निष्क्रिय करना संभव बना दिया।

तंत्रिका रिकॉर्डिंग और प्रयोगात्मक सेटअप (बाएं)। व्यवहार प्रतिक्रियाएं दाईं ओर प्रदर्शित होती हैं। पंक्ति 1: पूर्ण जानबूझकर श्रृंखला जहां बीएमआई उपयोगकर्ता बाहरी वातावरण में इरादे (i, लाल), एक्शन (ए, ग्रीन), और एक प्रभाव (ई, नीला) का समय इंगित करता है। पंक्ति 2: इरादे की अनुपस्थिति में क्रियाओं और प्रभावों के समय का अनुमान। पंक्ति 3: कार्यों की अनुपस्थिति में इरादों और प्रभावों के समय का अनुमान। पंक्ति 4: एक प्रभाव की अनुपस्थिति में इरादों और कार्यों के समय का अनुमान। पंक्ति 5: इरादों और प्रभावों की अनुपस्थिति में क्रियाओं के समय का अनुमान। पंक्ति 6: इरादों और कार्यों की अनुपस्थिति में प्रभावों के समय का अनुमान। | फोटो क्रेडिट: PLOS BIOL 23 (4): E3003118।

एक विशेष हाथ आंदोलन इस सेटअप में रुचि रखता था। प्रतिभागी ने अपने हाथ में एक गेंद रखी। जब उन्होंने इसे निचोड़ा, तो एक ध्वनि को ठीक 300 एमएस उत्सर्जित किया गया थाबाद में। यह पर्यावरणीय प्रभाव था, जानबूझकर श्रृंखला का अंतिम टुकड़ा। प्रयोग के दौरान, प्रतिभागी को कंप्यूटर स्क्रीन पर एक घड़ी देखने के लिए कहा गया था। विशिष्ट परीक्षण के आधार पर, उन्हें घड़ी पर पढ़ने की रिपोर्ट करनी थी – उस समय जब उन्होंने अपने हाथ को स्थानांतरित करने का आग्रह महसूस किया, तो वह समय वह अपना हाथ ले गया या जिस समय उसने एक ऑडियो टोन सुना।

यह स्वैच्छिक कार्यों के व्यक्तिपरक इरादे के संदर्भ में M1 क्षेत्र में देखने वाला पहला अध्ययन था। शोधकर्ताओं ने पाया कि इस क्षेत्र में गतिविधि की समयरेखा पिछले शोध में अन्य मस्तिष्क क्षेत्रों के लिए रिपोर्ट की गई तुलना में कुछ अलग थी। विशेष रूप से, अन्य सभी क्षेत्रों को इरादा और कार्रवाई से पहले सक्रिय किया गया था – जबकि एम 1 ने पहले गतिविधि दिखाई थी, लेकिन एक स्वैच्छिक कार्रवाई के दौरान भी।

यह समझ में आता है कि एम 1 मस्तिष्क में अंतिम पड़ाव है, इससे पहले कि सिग्नल रीढ़ की हड्डी में और अंत में हाथ की मांसपेशियों में जाता है।

कमर कसना

आम तौर पर, जब आप किसी वस्तु को लेने के लिए अपने दाहिने हाथ को स्थानांतरित करने का इरादा रखते हैं या एक गेंद को किक करने के लिए अपना पैर उठाते हैं, तो स्वैच्छिक आंदोलन की इच्छा मस्तिष्क के विशिष्ट भागों में विद्युत गतिविधि के रूप में परिलक्षित होती है। इससे पहले कि लिबेट ने अपने मूलभूत कार्य का संचालन किया, जर्मन वैज्ञानिक हंस हंस हेल्मुट कोर्नहुबर ने एक अध्ययन में प्रतिभागियों के प्रमुखों के साथ इलेक्ट्रोड को रखा, जिसने प्रत्येक को एक स्वैच्छिक निर्णय लिया – एक बटन दबाने के लिए किसी भी समय उन्हें ऐसा महसूस हुआ। उन्होंने 1960 के दशक में यह अध्ययन किया। कोर्नहुबर ने पाया कि बटन को दबाने वाले व्यक्ति के लिए अग्रणी क्षणों में, इलेक्ट्रोड ने एक इलेक्ट्रिक सिग्नल की ताकत में क्रमिक वृद्धि दर्ज की, जिसे उन्होंने तत्परता क्षमता कहा।

इसे मस्तिष्क के रूप में समझें, कार्य करने के लिए तैयार है। इसका मतलब यह था कि यदि ये समान मस्तिष्क भागों को बिजली के संकेतों से प्रेरित किया गया था, तो व्यक्ति व्यक्ति में हाथ या पैर को स्थानांतरित करने के लिए एक आग्रह कर सकता है।

कोर्नहुबर के काम ने बाद में दूसरों द्वारा पुष्टि की, साबित कर दिया कि व्यक्ति ने स्वैच्छिक कार्रवाई करने से पहले मस्तिष्क में विद्युत गतिविधि की थी। बाद के शोध से पता चला कि किसी व्यक्ति को स्वैच्छिक आंदोलन करने के अपने इरादे से भी पता होने से पहले कुछ मस्तिष्क सर्किट सक्रिय हो जाते हैं।

नए अध्ययन में, नोएल एंड कंपनी। सवाल का पता लगाया: हम उस निर्णय के बारे में कब जानते हैं जो हम बनाने वाले हैं?

दिलचस्प पैटर्न

अपने सेटअप के साथ पहले दौर में, शोधकर्ताओं ने पूर्ण जानबूझकर श्रृंखला का अध्ययन किया। उन्होंने कार्यात्मक एमआरआई का उपयोग करके अपने हाथ को स्थानांतरित करने के इरादे से प्रतिभागी के एम 1 क्षेत्र में विद्युत गतिविधि दर्ज की। उन्होंने एनएमईएस के साथ उस हाथ के किसी भी बाद के आंदोलन को दर्ज किया। अंत में, उन्होंने प्रतिभागी की आवाज़ को अपने हाथ में गेंद को निचोड़ते हुए रिकॉर्ड किया। इस प्रकार, उनके पास जानबूझकर श्रृंखला के प्रत्येक चरण को मापने के लिए एक उद्देश्यपूर्ण तरीका था – पिछले अध्ययनों से एक महत्वपूर्ण प्रस्थान जिसमें शोधकर्ता प्रतिभागियों की प्रतिक्रियाओं पर निर्भर थे।

जब शोधकर्ताओं ने प्रतिभागी की व्यक्तिपरक धारणाओं के उद्देश्य माप की तुलना की, तो कुछ दिलचस्प पैटर्न सामने आए। उदाहरण के लिए, जब टीम ने प्रतिभागी से उस समय की रिपोर्ट करने के लिए कहा, जिस पर उन्होंने अपने इरादे के बारे में जागरूकता विकसित की, तो उनके उत्तर ने उनकी धारणा का सुझाव दिया, जो एमआरआई द्वारा दर्ज की गई वास्तविक विद्युत गतिविधि से पहले थी। इसी तरह, जब उस समय की रिपोर्ट करने के लिए कहा गया, जिस पर उसने माना कि उसका हाथ आगे बढ़ना शुरू हुआ, तो शोधकर्ता ने अपनी धारणा को एनएमईएस द्वारा दर्ज किए गए संकेत से पहले पाया।

अगले दौर में, शोधकर्ताओं ने प्रतिभागी के हाथ को स्थानांतरित करने के लिए एनएमई का उपयोग किया, इस प्रकार मस्तिष्क में व्यक्तिपरक इरादे और इसलिए विद्युत गतिविधि को दरकिनार कर दिया। इस बार, प्रतिभागी ने माना कि उसका हाथ मापा इलेक्ट्रिक सिग्नल के बाद एक समय में अच्छी तरह से चला गया। जब शोधकर्ताओं ने एनएमईएस से हैंड मूवमेंट सिग्नल को अवरुद्ध कर दिया, तो श्रृंखला के इरादे और प्रभाव वाले भागों को बरकरार रखते हुए, प्रतिभागी ने अपने इरादे को बहुत पहले होने का इरादा किया – पूर्ण जानबूझकर श्रृंखला से अधिक। या तो मामले में अंतर केवल मिलीसेकंड के क्रम में था, लेकिन मस्तिष्क के लिए यह एक अनंत काल है।

M1 की भूमिका

यूनिवर्सिटी कॉलेज लंदन में पैट्रिक हैगार्ड का काम इन परिणामों को बेहतर ढंग से समझने में मदद कर सकता है। हैगार्ड और सह। एक अध्ययन में प्रतिभागियों को एक कार्रवाई के समय की रिपोर्ट करने के लिए (एक कीबोर्ड बटन दबाने, कहें) और उनकी कार्रवाई के प्रभाव का समय (कंप्यूटर मॉनिटर पर एक रंग बदलना) की रिपोर्ट करने के लिए कहा। टीम के परिणामों से पता चला कि प्रतिभागियों ने एक स्वैच्छिक कार्रवाई और इसके प्रभाव के बीच एक कम समय अंतराल माना – जिसे जानबूझकर बाध्यकारी कहा जाता है – जो कि निष्पक्ष रूप से दर्ज किया गया था। इस संदर्भ में, नोएल की टीम ने जानबूझकर बाध्यकारी का एक नया रूप खोज लिया है: इरादे और कार्रवाई के बीच।

कोर्नहुबर और लिबेट के काम के बाद से, जैसा कि अधिक वैज्ञानिकों ने एक व्यक्ति के बीच एक स्वैच्छिक निर्णय लेने के बीच के समय की जांच की और यह निर्णय कार्रवाई में बदल गया, यह स्पष्ट हो गया है कि स्वैच्छिक निर्णय के संबंध में मस्तिष्क की गतिविधि का समय इस बात पर निर्भर करता है कि मस्तिष्क में एक दिखता है।

एक स्वैच्छिक कार्रवाई के लिए अग्रणी क्षणों में मस्तिष्क के गोइंग-ऑन को समझने के कई प्रयासों के माध्यम से, वैज्ञानिकों ने उन हिस्सों को मैप किया है जो विद्युत गतिविधि के साथ प्रकाश डालते हैं क्योंकि एक व्यक्ति को सचेत रूप से कुछ स्वैच्छिक कार्रवाई करने के साथ-साथ उन क्षेत्रों को भी विकसित किया जाता है जो कार्रवाई करने की सचेत धारणा के साथ प्रकाश डालते हैं। नए अध्ययन में, नोएल एट अल। M1 क्षेत्र की भूमिका का खुलासा करके इस ज्ञान में जोड़ा है, कुछ कार्रवाई करने के लिए और निष्पादन के दौरान एक सचेत निर्णय की शुरुआत के साथ।

तुम कहाँ देख रहे हो?

पिछले कुछ दशकों में, संज्ञानात्मक न्यूरोसाइंटिस्टों ने पाया है कि एक व्यक्ति के लिए एक एकल स्वैच्छिक निर्णय में उनके मस्तिष्क में कई अलग -अलग स्लाइस शामिल होते हैं। उस निर्णय को कार्रवाई के लिए अनुवाद करने के लिए ‘क्या’ बनाने के लिए ‘क्या’ निर्णय लेने के लिए ‘क्या’, ‘क्या’, ‘क्या’ है। मस्तिष्क के विभिन्न हिस्सों में गतिविधियाँ विभिन्न स्लाइस के अनुरूप हैं और स्वैच्छिक निर्णय के संबंध में मस्तिष्क गतिविधि का समय इस बात पर निर्भर करता है कि किस स्लाइस की जांच की जाती है। इसलिए यदि हम प्रीमियर या पार्श्विका कॉर्टिकल क्षेत्रों में देखते हैं, तो हम उन्हें एक स्वैच्छिक आंदोलन होने से पहले सक्रिय पाते हैं।

नए अध्ययन से पता चलता है कि M1 क्षेत्र प्रेमोटर-पार्श्विका क्षेत्रों से संकेतों को एकीकृत करता है, जो स्वैच्छिक कार्रवाई के लिए अग्रणी क्षणों में अपनी गतिविधि की व्याख्या करता है। जिस तरह से परीक्षणों की स्थापना की गई थी, उसने शोधकर्ताओं के लिए कार्रवाई के कारण अपनी गतिविधि से इरादा के कारण एम 1 गतिविधि को अलग करना संभव बना दिया। ऐसी स्थिति में जहां एक निर्णय को कार्रवाई में बदल दिया जाता है, उदाहरण के लिए पहले रिमोट के लिए पहुंचने के लिए, M1 गतिविधि उस निर्णय को रीढ़ की हड्डी और हाथ की मांसपेशियों के लिए नीचे ले जाती है।

तथ्य यह है कि अध्ययन एक एकल टेट्राप्लेजिक प्रतिभागी के साथ आयोजित किया गया था, इस बारे में स्पष्ट सवाल उठाता है कि क्या इसके निष्कर्षों को सामान्यीकृत किया जा सकता है। दूसरे में आधुनिक अध्ययन में प्रकृति संचारनोएल ने 30 स्वस्थ प्रतिभागियों में एक ही सवाल की जांच करने के लिए इतालवी वैज्ञानिक टॉमासो बर्टोनी के साथ सहयोग किया। उन्होंने अपने स्कैल्प पर रखे गए इलेक्ट्रोड का उपयोग करके प्रतिभागियों की मस्तिष्क गतिविधि का अध्ययन करने का लक्ष्य रखा (मस्तिष्क के एम 1 क्षेत्र के अंदर प्रत्यारोपित इलेक्ट्रोड के विपरीत)। परिणामों ने स्वैच्छिक निर्णयों को कार्यों में अनुवाद करने में मस्तिष्क के एम 1 क्षेत्र की भूमिका का समर्थन किया है, नोएल और टीम द्वारा उनके पेपर में निष्कर्षों के लिए और अधिक विश्वसनीयता को जोड़ा है।

डॉ। रीटेका सूड, सेंटर फॉर ब्रेन एंड माइंड में प्रशिक्षण और वरिष्ठ वैज्ञानिक, मनोचिकित्सा विभाग, निम्हंस, बेंगलुरु द्वारा एक न्यूरोसाइंटिस्ट हैं।

Continue Reading
Click to comment

Leave a Reply

Your email address will not be published. Required fields are marked *

विज्ञान

Physics changed AI in the 20th century. Is AI returning the favour now?

Published

on

By

Physics changed AI in the 20th century. Is AI returning the favour now?

कृत्रिम होशियारी (Ai) फलफूल रहा है। विभिन्न एआई एल्गोरिदम का उपयोग कई वैज्ञानिक डोमेन में किया जाता है, जैसे कि प्रोटीन की संरचना की भविष्यवाणी करना, विशेष गुणों के साथ सामग्री की खोज करना, और निदान प्रदान करने के लिए चिकित्सा डेटा की व्याख्या करना। लोग चैट, क्लाउड, नोटबुकल्म, डल-ई, मिथुन, और मिडजॉर्नी जैसे उपकरणों का उपयोग करते हैं ताकि पाठ संकेतों से छवियों और वीडियो उत्पन्न किया जा सके, पाठ लिखें, और वेब खोजें।

यह सवाल एक ही नस में उत्पन्न होता है: क्या वे प्रकृति के मूल गुणों के अध्ययन में उपयोगी साबित हो सकते हैं या मानव और कृत्रिम वैज्ञानिकों के बीच एक अंतर है जिसे पहले पाटने की आवश्यकता है?

निश्चित रूप से कुछ अंतर है। वैज्ञानिक अनुसंधान में एआई के वर्तमान अनुप्रयोगों में से कई अक्सर एआई मॉडल को एक ब्लैक बॉक्स के रूप में उपयोग करते हैं: जब मॉडल को कुछ डेटा पर प्रशिक्षित किया जाता है और वे एक आउटपुट का उत्पादन करते हैं, लेकिन इनपुट और आउटपुट के बीच संबंध स्पष्ट नहीं है।

इसे वैज्ञानिक समुदाय द्वारा अस्वीकार्य माना जाता है। पिछले साल, उदाहरण के लिए, डीपमाइंड जीवन विज्ञान समुदाय से दबाव का सामना करना पड़ा अपने अल्फाफोल्ड मॉडल का एक निरीक्षण योग्य संस्करण जारी करने के लिए जो प्रोटीन संरचनाओं की भविष्यवाणी करता है।

ब्लैक-बॉक्स प्रकृति भौतिक विज्ञानों में एक समान चिंता प्रस्तुत करती है, जहां एक समाधान के लिए अग्रणी कदम उतने ही महत्वपूर्ण हैं जितना कि समाधान के रूप में। फिर भी इसने वैज्ञानिकों को कोशिश करने से रोक नहीं दिया है। वास्तव में, उन्होंने जल्दी शुरू किया: 1980 के दशक के मध्य से, उन्होंने जटिल प्रणालियों के अध्ययन में एआई-आधारित उपकरणों को एकीकृत किया है। 1990 में, उच्च-ऊर्जा भौतिकी गुना में शामिल हो गई।

एस्ट्रो- और उच्च-ऊर्जा भौतिकी

खगोल विज्ञान और खगोल भौतिकी में, वैज्ञानिक खगोलीय वस्तुओं की संरचना और गतिशीलता का अध्ययन करते हैं। इस क्षेत्र में शोधकर्ताओं के लिए बिग-डेटा एनालिटिक्स और इमेज एन्हांसमेंट दो प्रमुख कार्य हैं। एआई-आधारित एल्गोरिदम पैटर्न, विसंगतियों और सहसंबंधों की तलाश में पहले के साथ मदद करते हैं।

दरअसल, एआई ने छवियों को कैप्चर करने और दूर के सितारों और आकाशगंगाओं को ट्रैक करने जैसे कार्यों को स्वचालित करके खगोल भौतिकी टिप्पणियों में क्रांति ला दी है। एआई एल्गोरिदम पृथ्वी के रोटेशन और वायुमंडलीय गड़बड़ी के लिए क्षतिपूर्ति करने में सक्षम हैं, जो एक छोटी अवधि में बेहतर टिप्पणियों का उत्पादन करते हैं। वे दूरबीनों को ‘स्वचालित’ करने में भी सक्षम हैं जो आकाश में बहुत अल्पकालिक घटनाओं की तलाश कर रहे हैं और वास्तविक समय में महत्वपूर्ण जानकारी रिकॉर्ड करते हैं।

प्रायोगिक उच्च-ऊर्जा भौतिक विज्ञानी अक्सर बड़े डेटासेट से निपटते हैं। उदाहरण के लिए, यूरोप में बड़े हैड्रॉन कोलाइडर प्रयोग हर साल 30 से अधिक पेटाबाइट डेटा उत्पन्न करता है। कॉम्पैक्ट म्यूओन सोलनॉइड नामक कोलाइडर पर एक डिटेक्टर अकेले हर सेकंड कण टकराव की 40 मिलियन 3 डी छवियों को कैप्चर करता है। भौतिकविदों के लिए इस तरह के डेटा वॉल्यूम का विश्लेषण करना बहुत मुश्किल है ताकि ब्याज की उप -परमाणु घटनाओं को ट्रैक किया जा सके।

तो एक उपाय में, कोलाइडर के शोधकर्ताओं ने बहुत शोर डेटा में रुचि के एक कण की सटीक पहचान करने में सक्षम एआई मॉडल का उपयोग करना शुरू कर दिया। इस तरह के एक मॉडल ने एक दशक पहले हिग्स बोसोन कण को ​​खोजने में मदद की।

सांख्यिकीय भौतिकी में ऐ

सांख्यिकीय यांत्रिकी यह अध्ययन है कि व्यक्तिगत रूप से बजाय कणों का एक समूह एक साथ कैसे व्यवहार करता है। इसका उपयोग तापमान और दबाव जैसे मैक्रोस्कोपिक गुणों को समझने के लिए किया जाता है।

उदाहरण के लिए, अर्नस्ट इसिंग ने 1920 के दशक में चुंबकत्व के लिए एक सांख्यिकीय मॉडल विकसित किया, जो अपने पड़ोसियों के साथ बातचीत करने वाले परमाणु स्पिन के सामूहिक व्यवहार पर ध्यान केंद्रित करता है। इस मॉडल में, सिस्टम के लिए उच्च और निम्न ऊर्जा राज्य हैं, और सामग्री सबसे कम ऊर्जा राज्य में मौजूद होने की अधिक संभावना है।

बोल्ट्जमैन वितरण सांख्यिकीय यांत्रिकी में एक महत्वपूर्ण अवधारणा है, जिसका उपयोग भविष्यवाणी करने के लिए किया जाता है, कहते हैं, सटीक स्थिति जिसमें बर्फ पानी में बदल जाएगी। इस वितरण का उपयोग करते हुए, 1920 के दशक में, अर्नस्ट इसिंगिंग और विल्हेम लेनज़ ने उस तापमान की भविष्यवाणी की, जिस पर एक सामग्री चुंबकीय से गैर-चुंबकीय में बदल गई।

पिछले साल के भौतिकी के नोबेल ने जॉन होपिफिल्ड और जेफ्री हिंटन ने सांख्यिकीय यांत्रिकी के विचार के आधार पर, उसी तरह से तंत्रिका नेटवर्क का एक सिद्धांत विकसित किया। एक एनएन एक प्रकार का मॉडल है जहां नोड्स जो उन पर गणना करने के लिए डेटा प्राप्त कर सकते हैं, वे अलग -अलग तरीकों से एक दूसरे से जुड़े होते हैं। कुल मिलाकर, एनएनएस प्रक्रिया की प्रक्रिया जिस तरह से पशु दिमाग करते हैं।

उदाहरण के लिए, पिक्सेल से बनी एक छवि की कल्पना करें, जहां कुछ दिखाई दे रहे हैं और बाकी छिपे हुए हैं। यह निर्धारित करने के लिए कि छवि क्या है, भौतिकविदों को सभी संभावित तरीकों पर विचार करना होगा जो छिपे हुए पिक्सेल दृश्यमान टुकड़ों के साथ मिलकर फिट हो सकते हैं। सांख्यिकीय यांत्रिकी के सबसे संभावित राज्यों का विचार उन्हें इस परिदृश्य में मदद कर सकता है।

होपफील्ड और हिंटन एनएनएस के लिए एक सिद्धांत विकसित किया जो पिक्सेल के सामूहिक बातचीत को न्यूरॉन्स के रूप में मानते थे, जैसे कि लेनज़ और उनके सामने इसिंग। एक हॉपफील्ड नेटवर्क सांख्यिकीय भौतिकी के समान छिपे हुए पिक्सेल की कम से कम ऊर्जा व्यवस्था का निर्धारण करके एक छवि की ऊर्जा की गणना करता है।

एआई टूल्स ने बोस-आइंस्टीन कंडेनसेट्स (बीईसी) के अध्ययन में प्रगति करने में मदद करके स्पष्ट रूप से एहसान लौटा दिया। एक बीईसी मामले की एक अजीबोगरीब स्थिति है कि कुछ उप -परमाणु या परमाणु कणों का एक संग्रह बहुत कम तापमान पर प्रवेश करने के लिए जाना जाता है। वैज्ञानिक 1990 के दशक की शुरुआत से इसे प्रयोगशाला में बना रहे हैं।

2016 में, ऑस्ट्रेलियन नेशनल यूनिवर्सिटी के वैज्ञानिकों ने बीईसी के लिए सही स्थिति बनाने के साथ एआई की मदद का उपयोग करके ऐसा करने की कोशिश की। उन्होंने पाया कि ऐसा किया भारी सफलता के साथ। यह उपकरण शर्तों को स्थिर रखने में मदद करने में भी सक्षम था, जिससे बीईसी को लंबे समय तक चलने की अनुमति मिली।

पेपर के कोआथोर पॉल विगले ने एक बयान में कहा, “मुझे उम्मीद नहीं थी कि मशीन एक घंटे से कम समय में, खरोंच से प्रयोग करना सीख सकती है।” “एक साधारण कंप्यूटर प्रोग्राम ने सभी संयोजनों के माध्यम से चलाने और इसे बाहर करने के लिए ब्रह्मांड की उम्र से अधिक समय लिया होगा।”

एआई को क्वांटम में लाना

में एक 2022 कागजऑस्ट्रेलिया, कनाडा और जर्मनी के वैज्ञानिकों ने एआई का उपयोग करके दो उप -परमाणु कणों को उलझाने के लिए एक सरल विधि की सूचना दी। क्वांटम कंप्यूटिंग और क्वांटम प्रौद्योगिकियां आज सरकारों के साथ – भारत के – इन फ्यूचरिस्टिक तकनीकों को विकसित करने में लाखों डॉलर का निवेश करने वाली सरकारों के साथ महान अनुसंधान और व्यावहारिक रुचि के हैं। उनकी क्रांतिकारी शक्ति का एक बड़ा हिस्सा क्वांटम उलझाव को प्राप्त करने से आता है।

उदाहरण के लिए, क्वांटम कंप्यूटर में एक प्रक्रिया होती है जिसे उलझाव स्वैपिंग कहा जाता है: जहां दो कणों ने कभी भी बातचीत नहीं की है, मध्यवर्ती उलझे हुए कणों का उपयोग करके उलझा हुआ है। 2022 के पेपर में, वैज्ञानिकों ने पायथस नामक एक उपकरण की सूचना दी, “एक अत्यधिक कुशल, ओपन-सोर्स डिजिटल डिस्कवरी फ्रेमवर्क … जो कि क्वांटम-ऑप्टिक प्रयोगों में बेहतर ढंग से उलझाने के लिए आधुनिक क्वांटम लैब्स से प्रयोगात्मक उपकरणों की एक विस्तृत श्रृंखला को नियोजित कर सकता है।

अन्य परिणामों के बीच, वैज्ञानिकों ने पायथस का उपयोग किया है, जो कि क्वांटम नेटवर्क के निहितार्थ के साथ एक सफलता बनाने के लिए उपयोग किया गया है, जो संदेशों को सुरक्षित रूप से संचारित करने के लिए उपयोग किया जाता है, जिससे इन तकनीकों को अधिक संभव हो जाता है। अनुसंधान सहित अधिक काम, किया जाना बाकी है, लेकिन पायथस जैसे उपकरणों ने इसे और अधिक कुशल बनाने की क्षमता का प्रदर्शन किया है।

समय में इस सहूलियत बिंदु से, ऐसा लगता है कि भौतिकी का प्रत्येक उप -क्षेत्र जल्द ही एआई और एमएल का उपयोग उनकी सबसे कठिन समस्याओं को हल करने में मदद करेगा। अंतिम लक्ष्य यह है कि अधिक उपयुक्त प्रश्नों के साथ आना आसान हो, तेजी से परिकल्पनाओं का परीक्षण करें, और परिणामों को अधिक लाभ से समझें। अगली ग्राउंडब्रेकिंग खोज अच्छी तरह से मानव रचनात्मकता और मशीन शक्ति के बीच सहयोग से आ सकती है।

शमीम हक मोंडल फिजिक्स डिवीजन, स्टेट फोरेंसिक साइंस लेबोरेटरी, कोलकाता में एक शोधकर्ता हैं।

Continue Reading

विज्ञान

Using bacteriophages to combat antimicrobial resistance

Published

on

By

Using bacteriophages to combat antimicrobial resistance

एक बैक्टीरियल सेल की दीवार से जुड़े कई बैक्टीरियोफेज के ट्रांसमिशन इलेक्ट्रॉन माइक्रोग्राफ। | फोटो क्रेडिट: ग्राहम बियर्ड्स (सीसी बाय-एसए)

यदि किसी को मूत्र पथ का संक्रमण है, उदाहरण के लिए, पैथोलॉजी लैब जीवाणु की पहचान करेगा, कहते हैं, कहते हैं, इशरीकिया कोली। यह एक दर्जन से अधिक एंटीबायोटिक दवाओं के लिए रोगज़नक़ की संवेदनशीलता को भी निर्धारित करेगा। यह ठीक है अगर जीवाणु कई या सभी दवाओं के प्रति संवेदनशील है। दुःस्वप्न परिदृश्य तब होता है जब यह उन सभी के लिए प्रतिरोधी होता है।

तेजी से, एंटीबायोटिक्स काम नहीं करते हैं क्योंकि बैक्टीरिया ने प्रतिरोध विकसित किया है। यह अनुमान लगाया जाता है कि विश्व स्तर पर लगभग पांच मिलियन लोग हर साल रोगाणुरोधी प्रतिरोध (एएमआर) से संबंधित स्थितियों से मर रहे हैं। यह 2050 तक दोगुना हो सकता है। यह एक मूक महामारी है।

क्या निदान है? मोटे तौर पर, दवा कंपनियों ने नए एंटीबायोटिक दवाओं को विकसित करने में रुचि खो दी है। जबकि कैंसर के लिए एक दवा का उपयोग लंबे समय तक किया जाता है, एंटीबायोटिक दवाओं को कुछ ही दिनों के लिए दिया जाता है। इसके अलावा, एएमआर की समस्या के कारण, नए एंटीबायोटिक दवाओं का उपयोग प्रतिरोध के विकास को रोकने के लिए संभव के रूप में संभव के रूप में किया जाता है। इसलिए कंपनियों के लिए नए एंटीबायोटिक दवाओं पर काम करने के लिए कोई वित्तीय प्रोत्साहन नहीं है। कुछ दवा विकास हो रहा है, लेकिन शायद एएमआर समस्या का समाधान करने के लिए पर्याप्त नहीं है।

बैक्टीरियोफेज ‘अच्छे वायरस’ हैं जो स्वाभाविक रूप से बैक्टीरिया पर शिकार करते हैं। वे हमारे चारों ओर हैं, पानी में, मिट्टी में, हमारी आंत में, हमारी त्वचा पर, आदि को माना जाता है कि पृथ्वी पर बैक्टीरिया के रूप में 10 गुना अधिक चरण हैं।

लगभग एक सदी पहले बैक्टीरिया के संक्रमण के खिलाफ फेज का उपयोग किया गया था, लेकिन एंटीबायोटिक दवाओं ने उन्हें खोजने के बाद उन्हें समाप्त कर दिया। एक एंटीबायोटिक के विपरीत, जो बैक्टीरिया की कई प्रजातियों को मारने में सक्षम हो सकता है, फेज केवल एक विशेष जीवाणु के कुछ उपभेदों को मार सकते हैं। इसलिए सोवियत ब्लॉक में केवल देश, एंटीबायोटिक दवाओं से कट गए, उनका उपयोग करना जारी रखा। 100 से अधिक वर्षों के अनुभव के साथ जॉर्जिया के Tbilisi में एक संस्थान, अपनी फेज विशेषज्ञता के लिए प्रसिद्ध है। एएमआर के कारण, बाकी दुनिया अब फेज को फिर से खोज रही है और कई देशों में प्रासंगिक शोध जारी है।

फेज का उपयोग बर्न, पैर अल्सर, आंत संक्रमण, श्वसन संक्रमण, मूत्र पथ के संक्रमण आदि के लिए किया गया है। दो मुख्य रणनीतियाँ हैं जिनका उपयोग किया गया है। एक, बैक्टीरिया को संक्रमित ऊतक से अलग करें, जांचें कि कौन सा फेज लैब में इसके खिलाफ काम करता है, उस फेज के अधिक बढ़ता है और इसे रोगी को प्रशासित करता है। ये फेज अपने स्वयं के फेज बैंक से या बहुत गंभीर मामलों में आ सकते हैं, यहां तक ​​कि कोई भी फेज बैंकों को दुनिया में कहीं और मदद के लिए पूछ सकता है। ये प्राकृतिक चरण हैं। फिर आनुवंशिक रूप से इंजीनियर फेज हैं, जिन्हें प्रयोगशाला में संशोधित किया गया है, कहते हैं, वे विभिन्न प्रकार के बैक्टीरिया का विस्तार करें जो वे मार सकते हैं।

इस हद तक कि फेज को ड्रग्स के रूप में इस्तेमाल किया जा रहा है, उनके पास एक अनूठी विशेषता है। बैक्टीरिया एक एंटीबायोटिक के लिए प्रतिरोधी हो सकते हैं; इसी तरह, बैक्टीरिया एक फेज के लिए प्रतिरोधी होने के लिए विकसित हो सकते हैं। अनूठा हिस्सा यह है कि फेज भी, बैक्टीरिया प्रतिरोध से बचने के लिए विकसित हो सकते हैं। दवा एक स्थिर नहीं बल्कि एक विकसित इकाई है। इसलिए यह नियामकों के लिए एक सिरदर्द है, क्योंकि किसी भी दवा को कभी भी अनुमोदित नहीं किया गया है जो विकसित होता है। इसके अलावा, चूंकि फेज बैक्टीरिया के लिए बहुत विशिष्ट हैं, इसलिए एक फेज एक बड़े अंश के खिलाफ काम नहीं करेगा, कहते हैं, पैर अल्सर, जैसा कि एक एंटीबायोटिक के साथ होता है (जब तक कि हमें एएमआर पर विचार नहीं करना है)। इसलिए यह यादृच्छिक नियंत्रित परीक्षणों का संचालन करना भी चुनौतीपूर्ण है जब प्रत्येक रोगी के लिए आवश्यक दवा अलग हो सकती है।

AMR के लिए नए उपचार के तौर -तरीकों के लिए दुनिया बेताब है। इस प्रकार, पश्चिमी दुनिया में किसी भी सरकार ने एक दवा के रूप में एक फेज को मंजूरी नहीं दी है। लेकिन वे रोगियों को “दयालु उपयोग”, “आपातकालीन-उपयोग विस्तारित पहुंच” या “विशेष पहुंच” मार्गों के रूप में चरणों तक पहुंचने की अनुमति दे सकते हैं। ये अक्सर एकल, नामित रोगियों के लिए अनुमोदन होते हैं, जिन्हें सख्त जरूरत होती है। उदाहरण के लिए बेल्जियम में उपयोग किया जाने वाला एक अन्य मार्ग, “मजिस्ट्रल मार्ग” है, जहां विशेष रूप से फार्मेसियों को विशेष रूप से किसी विशेष रोगी के लिए एक फेज ‘कंपाउंड’ कर सकते हैं।

नियामक सिरदर्द को हल किया जा सकता है यदि निम्नलिखित परिदृश्य, जो जीन-पॉल पिरने और बेल्जियम में सहकर्मी शोध कर रहे हैं, काम कर रहे हैं। एक उपकरण बनाएं जिसमें निम्नलिखित सभी चरणों का आयोजन किया जा सकता है: बैक्टीरिया को एक संक्रमण से अलग करें, इसके जीनोम का अनुक्रम करें, यह निर्धारित करने के लिए एआई का उपयोग करें कि कौन सा फेज जीनोम काम करने की सबसे अधिक संभावना है, डिवाइस में खरोंच से फेज बनाएं, और इसे मौके पर रोगी को प्रशासित करें।

ऐसे परिदृश्य में, फेज को एक दवा के रूप में विनियमित नहीं किया जाएगा। इसके बजाय, डिवाइस को विनियमित किया जाएगा। और डिवाइस में केवल न्यूक्लियोटाइड और एंजाइम जैसे नियमित रूप से उपयोग किए जाने वाले अणु होते हैं जिनका उपयोग फेज को इकट्ठा करने के लिए किया जाएगा।

एएमआर का पैमाना ऐसा है कि हमें कोशिश करने और निपटने के लिए कई बड़ी पहलों की आवश्यकता है। यदि माइक्रोबायोलॉजिस्ट का एक समूह एक भव्य चुनौती की तलाश में है जो एआई का उपयोग करता है, तो निश्चित रूप से पिरने मार्ग एक खोज के लायक है?

गायत्री सबरवाल टाटा इंस्टीट्यूट फॉर जेनेटिक्स एंड सोसाइटी में एक सलाहकार हैं।

Continue Reading

विज्ञान

IIT-Kgp app helps commuters pick ‘greener’ routes on the road

Published

on

By

IIT-Kgp app helps commuters pick ‘greener’ routes on the road

बेंगलुरु: वायु प्रदूषण के लिए ज़िम्मेदार है 7.2% मौतें हर साल प्रमुख भारतीय शहरों में। हवाई पार्टिकुलेट मैटर पर विश्वास करने का कारण है कटौती कर सकते हैं भारतीयों की जीवन प्रत्याशा पांच साल तक।

लेकिन यातायात से संबंधित प्रदूषण आमतौर पर शहरी सेंसर की रिपोर्ट की तुलना में बहुत खराब होता है। शोधकर्ताओं ने अनुमान लगाया है कि कम्यूटिंग किसी व्यक्ति के दिन का केवल 8% है, लेकिन उनके प्रदूषण जोखिम का 33% हिस्सा है।

IIT खड़गपुर के एसोसिएट प्रोफेसर अर्कोपाल किशोर गोस्वामी, उनके पीएचडी छात्र कपिल कुमार मीना, और इंटर्न आदित्य कुमार सिंह (IIITM ग्वालियर से) ने पाया कि जबकि ट्रैफ़िक कम्यूटर्स के स्वास्थ्य को काफी प्रभावित करता है, कुछ इसके वास्तविक जोखिमों से अवगत थे।

जानकारी तक पहुंच का एहसास करना महत्वपूर्ण था, टीम ने अर्बन ग्रीन मोबिलिटी (या ड्रम) वेब ऐप के लिए डायनेमिक रूट प्लानिंग बनाई। यह Google मैप्स की तरह है, लेकिन उपयोगकर्ताओं को हवा की गुणवत्ता और ऊर्जा दक्षता के आधार पर मार्गों को लेने की अनुमति देने की अतिरिक्त सुविधा के साथ।

क्लीनर कम्यूट

ड्रम उपयोगकर्ताओं को पांच मार्ग विकल्प देता है: वायु प्रदूषण (LEAP), कम से कम ऊर्जा खपत मार्ग (LECR) के लिए सबसे छोटा, सबसे तेज़, कम से कम एक्सपोज़र, और सुझाए गए मार्ग को सभी चार कारकों का संयोजन।

ये विकल्प वास्तविक समय के वायु और ट्रैफ़िक डेटा पर आधारित हैं। दिल्ली में लागू होने पर, LEAP मार्ग ने मध्य दिल्ली में 40% तक बढ़ने के दौरान मध्य दिल्ली में 50% से अधिक का जोखिम कम कर दिया। इस बीच LECR ने दक्षिण दिल्ली में ऊर्जा की खपत को 28% तक कम करने में मदद की।

ये ट्रेडऑफ़ सभी के लिए काम नहीं कर सकते हैं, विशेष रूप से लंबे मार्गों की अतिरिक्त ईंधन लागत को देखते हुए, लेकिन ड्रम अधिक कमजोर समूहों के लिए एक अंतर बना सकता है, श्री मीना ने कहा।

निर्माण के पीछे

श्री मीना के अनुसार, वास्तविक समय की हवा और ट्रैफ़िक डेटा को एकीकृत करना परियोजना की सबसे बड़ी तकनीकी चुनौती थी। टीम की पहली बाधा विरल डेटा संग्रह थी। अर्बनमिशन के अनुसार, भारत को लगभग 4,000 निरंतर वायु गुणवत्ता स्टेशनों की आवश्यकता है। लेकिन 2024 के अंत तक केंद्रीय प्रदूषण नियंत्रण बोर्ड (CPCB) ने केवल 1,385 का संचालन किया, श्री मीना ने कहा।

यह कमी विशेष रूप से दिल्ली जैसी मेगासिटीज में है। इसके 40 निगरानी स्टेशन कई क्षेत्रों को एक अंधा में छोड़ देते हैं।

इसके बजाय, टीम ने CPCB और वर्ल्ड एयर क्वालिटी इंडेक्स के डेटा पर भरोसा किया। उन्होंने प्रत्यक्ष सेंसर कवरेज के बिना क्षेत्रों में प्रदूषण के स्तर का अनुमान लगाने के लिए एक खंड-वार प्रक्षेप रणनीति को लागू किया, सेगमेंट में विभाजित मार्गों को विभाजित किया, और प्रदूषण का अनुमान लगाने के लिए पास के सेंसर डेटा का उपयोग किया जहां कवरेज गायब था।

उच्च जवाबदेही प्राप्त करने के लिए, ड्रम को लाइव प्रदूषण और ट्रैफ़िक डेटा लाने के लिए डिज़ाइन किया गया था जब एक उपयोगकर्ता ने अंतराल पर डेटा खींचने के बजाय एक मार्ग दर्ज किया था। बैकएंड को गति के लिए अनुकूलित किया गया था, जबकि फ्रंटेंड ने एक साफ इंटरफ़ेस की पेशकश की थी।

ड्रम ग्राफहॉपर, एक जावा-आधारित रूटिंग लाइब्रेरी का उपयोग करके मार्गों को निर्धारित करता है जो मैपबॉक्स से वास्तविक समय ट्रैफ़िक अपडेट प्राप्त करते हुए कई विकल्प उत्पन्न करता है। यह सेटअप सिस्टम को विभिन्न वाहनों को संभालने और दिल्ली से परे शहरों के अनुकूल होने की अनुमति देता है।

यह काम किस प्रकार करता है

ड्रम के केंद्र में एक रैंक-आधारित उन्मूलन विधि है। “तर्क जानबूझकर व्यावहारिक है: हम पहले समय को प्राथमिकता देते हैं क्योंकि एक्सपोज़र एकाग्रता के समय का एक कार्य है – जितना लंबा आप उजागर होते हैं, उतने अधिक प्रदूषक आप साँस लेते हैं।”

इसके बाद दूरी आती है, क्योंकि छोटे मार्गों में उत्सर्जन और ईंधन का उपयोग कम होता है, भले ही यात्रा का समय समान हो। “उसके बाद,” श्री मीना ने जारी रखा, “हम उच्च प्रदूषण जोखिम के साथ मार्गों को समाप्त करते हैं, और अंत में, उच्च ऊर्जा की खपत वाले लोग, जिन्हें हम ऊंचाई और औसत गति के आधार पर गणना करते हैं। अंतिम आउटपुट एक एकल सुझाया गया मार्ग है जो सभी चार कारकों को संतुलित करता है।”

प्रणाली का परीक्षण करने के लिए, टीम ने दिल्ली के पूर्व, दक्षिण, उत्तर और केंद्रीय गलियारों का अनुकरण किया, विभिन्न यातायात, सड़क की गुणवत्ता और प्रदूषण पैटर्न के लिए लेखांकन किया। परिणामों से पता चला कि छोटे या तेज मार्ग अक्सर प्रदूषित क्षेत्रों से गुजरते हैं, समय या दूरी के लाभ को ऑफसेट करते हैं।

आगे क्या?

ड्रम ने सिमुलेशन में वादा दिखाया है और प्रो-गोस्वामी को आईआईटी-खरागपुर में लैब करना चाहिए, अब वास्तविक दुनिया के परीक्षणों की योजना है। वे वाहनों, स्ट्रीट पोल या यहां तक ​​कि यात्रियों द्वारा किए गए लोगों पर कम लागत वाले सेंसर के डेटा के साथ क्राउडसोर्स्ड डेटा को एकीकृत कर रहे हैं।

“क्राउडसोर्स्ड डेटा का एक बड़ा लाभ यह है कि यह हमें कारों और दो-पहिया वाहनों से परे मॉडल का विस्तार करने की अनुमति देगा, जो वर्तमान में एकमात्र मोड शामिल हैं,” श्री मीना ने कहा। “साइकिल चालकों या पैदल चलने वालों से उपयोगकर्ता-नियंत्रित डेटा के साथ … हम माइक्रो-मोबिलिटी मोड को शामिल कर सकते हैं।”

टीम ड्रम 2.0 को भी देख रही है, एक पूर्वानुमान संस्करण जो वर्तमान डेटा के साथ -साथ भविष्य की वायु गुणवत्ता, यातायात और ऊर्जा उपयोग का पूर्वानुमान लगाता है। LSTM या पैगंबर जैसे मशीन लर्निंग मॉडल का उपयोग करते हुए, यह अब सबसे अच्छा मार्ग और छोड़ने के लिए सबसे अच्छा समय सुझा सकता है। यह बदलाव ड्रम को वास्तव में स्मार्ट मोबिलिटी असिस्टेंट बना देगा, जो भारत के सबसे प्रदूषित शहरों में दैनिक जीवन के लिए तैयार है।

अश्मिता गुप्ता एक विज्ञान लेखक हैं।

Continue Reading

Trending